論文の概要: GlyphBench: A Playground for Language-Model Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.34214v1
• Date: Mon, 28 Sep 2026 03:21:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 22:55:52.585467
• Title: GlyphBench: A Playground for Language-Model Reinforcement Learning
• Title（参考訳）: GlyphBench: 言語モデル強化学習の場
• Abstract要約: 本稿では,言語モデルエージェントの強化学習(RL)後学習のための環境スイートであるGlyphBenchを紹介する。 GlyphBenchは2次元Unicodeグリッドとして空間観測をレンダリングし、トレーニング、評価、軌跡再生を接続する。 クラックス実験では,グリフ観察がネイティブテキストやピクセルよりも優れており,BALROG環境がさらに向上していることが示されている。
• 参考スコア（独自算出の注目度）: 33.17394442902942
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce GlyphBench, an environment suite for reinforcement learning (RL) post-training of language-model agents, with over 360 tasks spanning diverse games. GlyphBench renders spatial observations as two-dimensional Unicode grids and connects training, evaluation, and trajectory replay through a unified interface designed to support efficient and reproducible research. We use GlyphBench to study how observation interfaces, reasoning effort, and agent harnesses affect performance, and how RL configurations shape learning dynamics. Our results show that glyph observations outperform native text and pixels in our Craftax experiments, with further gains on several BALROG environments. RL on 100 GlyphBench tasks improves Qwen3.5-4B on held-out Reasoning Gym problems, reaching 63.48% accuracy and outperforming the base model, a math-trained baseline, and a code-trained baseline. These experiments provide empirical evidence that reasoning gains from gameplay can yield stronger transfer than math or code. Together, these results highlight GlyphBench's value as a testbed for systematic research on how language-model agents learn, interact, and generalize.
• Abstract（参考訳）: GlyphBenchは、言語モデルエージェントのトレーニング後、様々なゲームにまたがる360以上のタスクを含む、強化学習(RL)のための環境スイートである。 グリフベンチは空間観測を2次元のUnicodeグリッドとして表現し、効率的な再現可能な研究を支援するために設計された統一インターフェースを通じてトレーニング、評価、軌道再生を接続する。 我々は、GlyphBenchを使用して、観察インターフェイス、推論、エージェントハーネスがパフォーマンスにどのように影響するか、そしてRL構成が学習力学を形作るかを研究する。 以上の結果から,クラクラックス実験ではグリフ観察がネイティブテキストやピクセルよりも優れており,BALROG環境がさらに向上していることが明らかとなった。 100のGlyphBenchタスク上のRLは、保持されたReasoning Gym問題のQwen3.5-4Bを改善し、63.48%の精度に達し、ベースモデル、算術訓練されたベースライン、およびコード訓練されたベースラインを上回っている。 これらの実験は、ゲームプレイによる推論のゲインが数学やコードよりも強い移動をもたらすという実証的な証拠を提供する。 これらの結果は、言語モデルエージェントがいかに学習し、相互作用し、一般化するかを体系的に研究するためのテストベッドとしてのGlyphBenchの価値を強調している。

関連論文リスト

• Eliciting Complex Spatial Reasoning in MLLMs through Wide-Baseline Matching [47.51089761663848]
  マルチモーダル大言語モデル(MLLM)の空間的推論におけるワイドベースラインマッチングは困難なテストベッドである ReasonMatch-Benchは, 室内, 屋外, オブジェクト中心のシナリオにまたがって, 視点変位と粒度の一致によって階層化されたベンチマークである。 大規模ビデオ3Dコーパスからワイドベースラインビューペアを自動的に抽出するスケーラブルなデータ生成パイプラインを構築した。
  論文  参考訳（メタデータ） (2026-06-02T12:46:34Z)
• One RL to See Them All: Visual Triple Unified Reinforcement Learning [92.90120580989839]
  V-Triuneは、視覚的推論と知覚タスクを1つのトレーニングパイプライン内で実現するビジュアルトリプル統一強化学習システムである。 V-Triuneは3つの補完的なコンポーネントで構成されている: Sample-Level Datashelf (多様なタスク入力を統一する)、Verifier-Level Reward (特殊検証を通じてカスタム報酬を提供する)。 本稿では,V-Triuneが処理する知覚タスクに対して適応的,進行的,明確なフィードバックを提供する,新しい動的IoU報酬を提案する。
  論文  参考訳（メタデータ） (2025-05-23T17:41:14Z)
• ReGUIDE: Data Efficient GUI Grounding via Spatial Reasoning and Search [53.40810298627443]
  ReGUIDEは、MLLMが自己生成的推論と空間認識的批判を通じてデータを効率的に学習することを可能にするWebグラウンドのためのフレームワークである。 実験により、ReGUIDEは複数のベンチマークでWebグラウンド性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-05-21T08:36:18Z)
• An Empirical Investigation of Commonsense Self-Supervision with Knowledge Graphs [67.23285413610243]
  大規模知識グラフから抽出した情報に基づく自己監督は、言語モデルの一般化を改善することが示されている。 本研究では,言語モデルに適用可能な合成データを生成するための知識サンプリング戦略とサイズの影響について検討する。
  論文  参考訳（メタデータ） (2022-05-21T19:49:04Z)
• Perceiving the World: Question-guided Reinforcement Learning for Text-based Games [64.11746320061965]
  本稿では,環境に関する質問に答えることで,タスクやプーンアクションを自動的に分解する世界認識モジュールを提案する。 次に、強化学習から言語学習を分離する2段階学習フレームワークを提案し、サンプル効率をさらに向上させる。
  論文  参考訳（メタデータ） (2022-03-20T04:23:57Z)
• Reliable validation of Reinforcement Learning Benchmarks [1.2031796234206134]
  強化学習(Reinforcement Learning, RL)は、ゲームAIとAI全般において、最もダイナミックな研究分野の1つである。 Atariのような異なるアルゴリズムを比較するためにスコアが使用されるベンチマーク環境はたくさんあります。 実験結果の検証を行うために,元の実験データへのアクセスを提供することにより,この状況を改善することを提案する。
  論文  参考訳（メタデータ） (2022-03-02T12:55:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。